访客聚类

通过访客聚类，您可以利用客户特性对访客进行动态分类，并基于选定的数据输入生成聚类集，从而识别具有相似兴趣和行为的群组，以便进行客户分析和定位。

聚类流程

聚类流程需要您识别可用作输入的量度和维度元素，并允许您选择一个特定目标人群，以应用这些元素创建指定的聚类。在运行聚类流程时，系统会使用量度和维度输入，为指定数量的聚类确定正确的初始中心。这些中心此后将作为应用 K-Means 算法的起点。

• 通过 Canopy 聚类传递，可智能化地选择初始中心。
• 通过将每个数据点关联到最近的中心，可创建数据聚类。
• 每个 K 聚类的均值将成为新的中心。
• 在步骤 2 和 3 中重复此算法，直到实现聚合为止。这可能需要多次传递。

Options​菜单中的​Maximum Iterations​允许分析人员指定由聚类算法执行的最大迭代次数。 设置此选项，可能会以降低聚类中心聚合的准确度为代价，更快地完成基于最大迭代上限的聚类流程。

在Cluster Builder中，可以选择​Options > Algorithm​以在定义群集时选择算法。 目前，有3种支持的算法：

• KMeans
• Kmeans++
• 期望最大化

有两种方法可运行群集过程：

• 方法1 — 在群集可视化窗口中单击​Go。
• 方法2 — 在群集可视化窗口中单击​Submit ，将群集作业直接发送到服务器。 您可以通过“查询的详细状态”选项跟踪进度。

算法具有以下限制：

1. 如果您使用方法1，则可以选择任何支持的聚类算法。
2. 如果您使用方法2，则可以选择kmeans或kmeans++。 “期望最大化”(Expectation Maximization)选项将不可用。

推荐

迭代次数（扫描数据的次数）和您配置的收敛阈值会严重影响群集性能。 下表提供了更广泛的指导原则，您可以遵循：